全局K-means算法在汽车行驶工况构建中的应用

"该文是高建平、任德轩和郗建国在《河南理工大学学报(自然科学版)》2019年1期发表的文章，主要探讨了基于全局K-means聚类算法的汽车行驶工况构建方法，旨在建立符合郑州市交通特征的乘用车典型行驶工况。" 在汽车工程领域，行驶工况的构建对于理解和模拟车辆在真实道路环境中的行为至关重要。传统的K-means聚类算法在处理这类问题时可能无法充分捕捉到复杂的城市交通特性。针对这一问题，研究人员选取了60辆乘用车进行数据采集，收集了120 744条运动学片段作为研究基础。这些数据经过主成分分析（PCA）进行降维和非线性化处理，减少了数据的复杂性，同时保留了关键信息。 在确定最佳聚类数时，他们采用了戴维森-堡丁指数，这是一种评估聚类效果的指标，可以帮助找到最合适的类别数量。在此基础上，全局K-means聚类算法被用于将处理后的4个主成分聚类为3类，确保了聚类的全局最优性。接着，通过相关系数法，研究人员从每个类别中选择了最具代表性的运动学片段，最终构建了名为ZZ_DC的郑州市乘用车典型循环工况。 与传统K-means算法相比，全局K-means构建的工况更准确地反映了郑州市的实际道路情况，体现了全局优化的优势。进一步的对比研究表明，ZZ_DC工况与普遍采用的NEDC（New European Driving Cycle）工况存在显著差异，这强调了根据当地交通特征定制行驶工况的必要性。 该研究的结论是，对于像郑州市这样具有独特交通特性的城市，开发适用于本地的乘用车行驶工况模型对于提升测试的准确性和代表性具有重要意义。这不仅有助于汽车制造商更好地理解车辆在特定环境下的性能，也有利于政策制定者和交通规划者制定更为实际有效的交通管理和排放控制策略。 关键词: 乘用车；行驶工况；主成分分析法；全局K-means聚类；中图分类号: U491．2；文献标志码: A；文章编号: 1673-9787(2019)1-112-7